為了解決天氣雷達(dá)傳統(tǒng)定量估測(cè)強(qiáng)降水有較大偏差的問(wèn)題,基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)模型,提出了一種有效的雷達(dá)估測(cè)強(qiáng)降水方法�；趯�(duì)降水演變規(guī)律的認(rèn)識(shí),重新設(shè)計(jì)RNN結(jié)構(gòu),實(shí)現(xiàn)了對(duì)前3個(gè)時(shí)次雨量計(jì)降水的耦合,從而改善天氣雷達(dá)估測(cè)強(qiáng)降水的效果。利用連續(xù)觀測(cè)的雷達(dá)資料,結(jié)合前3個(gè)時(shí)次雨量計(jì)對(duì)地面降水量進(jìn)行估測(cè),解決了利用Z-R關(guān)系估測(cè)強(qiáng)降水時(shí)存在較大偏差的問(wèn)題。利用2015年夏季降水測(cè)試數(shù)據(jù)集進(jìn)行驗(yàn)證,并與滾動(dòng)法建立的Z-R關(guān)系方法進(jìn)行了對(duì)比,結(jié)果表明,在≥30 mm/h的強(qiáng)降水下,RNN估測(cè)降水方法相比Z-R關(guān)系方法的均方根誤差(root mean square error,RMSE)降低了24.28%,中位絕對(duì)誤差(median absolute error,Median AE)降低了32.83%。因此,循環(huán)神經(jīng)網(wǎng)絡(luò)估測(cè)降水方法對(duì)于定量估測(cè)強(qiáng)降水效果顯著,具有業(yè)務(wù)應(yīng)用價(jià)值。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1南京雷達(dá)周圍230km以內(nèi)所有的雨量站點(diǎn)分布(黑色虛線為雷達(dá)的探測(cè)范圍)

選取南京雷達(dá)周圍230km范圍內(nèi)2000多個(gè)站點(diǎn)2014年6—8月和2015年6—8月的雨量計(jì)的數(shù)據(jù)(圖1),時(shí)間分辨率為1h。為了排除霧、露等天氣現(xiàn)象的影響,剔除了小于1mm/h的雨量計(jì)觀測(cè)數(shù)據(jù)。在空間上,采用最近鄰插值方法對(duì)雷達(dá)觀測(cè)數(shù)據(jù)與雨量站數(shù)據(jù)進(jìn)行匹配;在時(shí)間上,....

圖3Z-R關(guān)系方法和RNN估測(cè)降水方法在2015年夏季降水上估測(cè)精度檢驗(yàn)

為了具體分析對(duì)比實(shí)時(shí)訂正的Z-R關(guān)系方法和RNN估測(cè)降水方法,本文按照降水強(qiáng)度<2mm/h、2～5mm/h、5～10mm/h、10～30mm/h、≥30mm/h劃分為5個(gè)等級(jí)。然后,分別統(tǒng)計(jì)實(shí)時(shí)訂正的Z-R關(guān)系方法和RNN估測(cè)降水方法在2015年南京地區(qū)夏季降水的RMS....

圖2不同估測(cè)降水模型的示意圖

Z-R關(guān)系方法是業(yè)務(wù)上常用的雷達(dá)估測(cè)降水方法,基于降水的雨滴譜符合M-P分布的假設(shè),雷達(dá)反射率因子和降水強(qiáng)度之間為冪指數(shù)關(guān)系,即Z=aRb,其中Z為反射率因子,mm/m3;R為降水強(qiáng)度,mm/h。由于不同時(shí)空對(duì)應(yīng)的雨滴譜的分布不同,Z-R關(guān)系存在很強(qiáng)的變化性,固定不變的Z-R關(guān)系....

圖4北京時(shí)間2015年6月2日20:00:00的累計(jì)1h降水個(gè)例

本文選取了2015年6月2日20:00:00的梅雨鋒混合云降水個(gè)例進(jìn)行分析。由圖4(a)可見(jiàn),Z-R方法漏掉了左下角距離雷達(dá)較遠(yuǎn)的強(qiáng)降水中心,這是由于隨著雷達(dá)探測(cè)距離的增加,雷達(dá)的探測(cè)高度增加,更高高度的回波會(huì)偏弱,基于滾動(dòng)法實(shí)時(shí)訂正的Z-R關(guān)系模型在遠(yuǎn)距離處往往會(huì)出現(xiàn)低估。但R....

本文編號(hào)：3988380